Sara Cabañas

Desarrollar, implementar y validar modelos de aprendizaje automático (Machine Learning): diseñar modelos predictivos de clasificación en problemas reales de salud, economía y empresa; implementar algoritmos de segmentación para análisis de poblaciones en diferentes aplicaciones; y desarrollar modelos de predicción avanzados de series temporales.

• Introducción al Curso
  • Introducción a Python.
  • Librerías de Python para Machine Learning.
  • Introducción al Machine Learning.
• Aprendizaje Supervisado
  • Definición y aplicaciones.
  • Medidas de rendimiento.
  • Modelos lineales.
  • Modelos supervisados de Machine Learning: árboles, SVM, redes neuronales.
  • Combinación de modelos: Random Forest.
• Aprendizaje No Supervisado
  • Definición y aplicaciones.
  • Medidas de rendimiento.
  • Clustering: tipos.
  • Biclustering.
  • Manifolds: reducción de la dimensionalidad.
  • Análisis de la cesta.

• Científico de Datos. Profesional encargado de analizar y extraer información valiosa de grandes conjuntos de datos mediante técnicas de Machine Learning y estadística.
• Ingeniero de Machine Learning. Se dedica al diseño, implementación y mantenimiento de modelos de aprendizaje automático que permiten a las máquinas realizar tareas específicas sin ser programadas explícitamente para ello.
• Analista de Datos. Responsable de interpretar datos complejos para ayudar en la toma de decisiones empresariales, utilizando herramientas de análisis y modelos predictivos.
• Desarrollador de Software con especialización en IA. Crea aplicaciones y sistemas que incorporan algoritmos de inteligencia artificial y Machine Learning para mejorar su funcionalidad y eficiencia.

• Conocimientos básicos de programación. Se recomienda tener experiencia previa en algún lenguaje de programación, preferiblemente Python, para facilitar la comprensión de los conceptos y prácticas del curso.
• Conocimientos en matemáticas y estadística. Es aconsejable poseer una base sólida en álgebra lineal, cálculo y probabilidad para entender los fundamentos teóricos del Machine Learning.
• Acceso a un ordenador con conexión a internet. Es esencial disponer de un equipo con conexión estable para acceder a los contenidos y realizar las actividades propuestas, especialmente si el curso se imparte en modalidad de teleformación.